論文の概要: S-DAG: A Subject-Based Directed Acyclic Graph for Multi-Agent Heterogeneous Reasoning

• arxiv url: http://arxiv.org/abs/2511.06727v2
• Date: Wed, 19 Nov 2025 13:09:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-20 13:41:21.045492
• Title: S-DAG: A Subject-Based Directed Acyclic Graph for Multi-Agent Heterogeneous Reasoning
• Title（参考訳）: S-DAG:マルチエージェント不均一推論のための主観的非巡回グラフ
• Authors: Jiangwen Dong, Zehui Lin, Wanyu Lin, Mingjin Zhang,
• Abstract要約: 大規模言語モデル(LLM)は複雑な推論問題において顕著な性能を達成した。 本研究では,指定されたマルチエージェント協調戦略を備えた対象レベルできめ細かい分析を行う新しいフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 22.610518752034043
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large Language Models (LLMs) have achieved impressive performance in complex reasoning problems. Their effectiveness highly depends on the specific nature of the task, especially the required domain knowledge. Existing approaches, such as mixture-of-experts, typically operate at the task level; they are too coarse to effectively solve the heterogeneous problems involving multiple subjects. This work proposes a novel framework that performs fine-grained analysis at subject level equipped with a designated multi-agent collaboration strategy for addressing heterogeneous problem reasoning. Specifically, given an input query, we first employ a Graph Neural Network to identify the relevant subjects and infer their interdependencies to generate an \textit{Subject-based Directed Acyclic Graph} (S-DAG), where nodes represent subjects and edges encode information flow. Then we profile the LLM models by assigning each model a subject-specific expertise score, and select the top-performing one for matching corresponding subject of the S-DAG. Such subject-model matching enables graph-structured multi-agent collaboration where information flows from the starting model to the ending model over S-DAG. We curate and release multi-subject subsets of standard benchmarks (MMLU-Pro, GPQA, MedMCQA) to better reflect complex, real-world reasoning tasks. Extensive experiments show that our approach significantly outperforms existing task-level model selection and multi-agent collaboration baselines in accuracy and efficiency. These results highlight the effectiveness of subject-aware reasoning and structured collaboration in addressing complex and multi-subject problems.
• Abstract（参考訳）: 大規模言語モデル(LLM)は複雑な推論問題において顕著な性能を達成した。 それらの効果はタスクの特定の性質、特に必要なドメイン知識に大きく依存する。 既存のアプローチ、例えば、Mix-of-expertsは、通常タスクレベルで動作します。 本研究は,異種問題推論に対処する,指定されたマルチエージェント協調戦略を備えた,対象レベルできめ細かい分析を行う新しいフレームワークを提案する。 具体的には、入力クエリが与えられた場合、まずグラフニューラルネットワークを用いて、関連する対象を識別し、それらの相互依存性を推測し、情報フローを符号化する対象とエッジを表す「textit{Subject-based Directed Acyclic Graph} (S-DAG)」を生成する。 次に、各モデルに主観的な専門知識スコアを割り当ててLLMモデルをプロファイルし、S-DAGの対応する対象に対応するトップパフォーマンススコアを選択する。 このような対象モデルマッチングにより、S-DAG上の開始モデルから終了モデルへ情報が流れるグラフ構造化マルチエージェントコラボレーションが可能になる。 我々は、複雑な実世界の推論タスクをよりよく反映するために、標準ベンチマーク(MMLU-Pro、GPQA、MedMCQA)の多目的サブセットをキュレートし、リリースする。 大規模な実験の結果,既存のタスクレベルのモデル選択とマルチエージェントコラボレーションのベースラインを精度と効率で大幅に上回っていることがわかった。 これらの結果は,複雑・多目的問題に対する主観的推論と構造化協調の有効性を浮き彫りにした。

関連論文リスト

• The Geometry of Dialogue: Graphing Language Models to Reveal Synergistic Teams for Multi-Agent Collaboration [0.0]
  大規模言語モデル(LLM)に基づくマルチエージェントチームは、単一モデルの能力を超える有望な戦略である。 しかしながら、ほとんどのモデルの本質的な不透明さは、効果的なコラボレーションに必要な内部特性を曖昧にしているため、最適なチームを作ることは重要な課題である。 事前知識を必要としない自動チーム構成のためのインタラクション中心のフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-30T11:04:15Z)
• Dynamic Generation of Multi-LLM Agents Communication Topologies with Graph Diffusion Models [99.85131798240808]
  我々はtextitGuided Topology Diffusion (GTD) と呼ばれる新しい生成フレームワークを導入する。 条件付き離散グラフ拡散モデルにインスパイアされたGTD式は、反復的な構成過程としてトポロジー合成を行う。 各ステップで生成は、多目的報酬を予測する軽量プロキシモデルによって制御される。 実験により、GTDは高いタスク適応性、スパース、効率的な通信トポロジを生成できることが示されている。
  論文  参考訳（メタデータ） (2025-10-09T05:28:28Z)
• AgentRouter: A Knowledge-Graph-Guided LLM Router for Collaborative Multi-Agent Question Answering [51.07491603393163]
  tAgentは知識グラフ誘導ルーティング問題としてマルチエージェントQAを定式化するフレームワークである。 エージェントアウトプットのソフトな監督と重み付けされた集約を活用することで、エージェントは多様なエージェントの相補的な強みを捉える、原則化された協調スキームを学ぶ。
  論文  参考訳（メタデータ） (2025-10-06T23:20:49Z)
• Assemble Your Crew: Automatic Multi-agent Communication Topology Design via Autoregressive Graph Generation [91.17994756436259]
  大規模言語モデル(LLM)に基づくマルチエージェントシステム(MAS)は、多様な領域にわたる複雑な問題を扱うための強力なソリューションとして登場した。 既存のアプローチは、事前に定義されたエージェントセットとハードコードされた相互作用構造を持つテンプレートグラフ修正パラダイムに依存しているため、基本的に制限されている。 協調グラフをスクラッチから構築することで、このパラダイムを運用する新しい自己回帰モデルであるARG-Designerを提案する。
  論文  参考訳（メタデータ） (2025-07-24T09:17:41Z)
• Divide by Question, Conquer by Agent: SPLIT-RAG with Question-Driven Graph Partitioning [62.640169289390535]
  SPLIT-RAGは、質問駆動セマンティックグラフ分割と協調サブグラフ検索による制限に対処するマルチエージェントRAGフレームワークである。 革新的なフレームワークは、まずリンク情報のセマンティック分割を作成し、次にタイプ特化知識ベースを使用してマルチエージェントRAGを実現する。 属性対応グラフセグメンテーションは、知識グラフを意味的に一貫性のあるサブグラフに分割し、サブグラフが異なるクエリタイプと整合することを保証する。 階層的なマージモジュールは、論理的検証を通じて、部分グラフ由来の解答間の矛盾を解消する。
  論文  参考訳（メタデータ） (2025-05-20T06:44:34Z)
• MoColl: Agent-Based Specific and General Model Collaboration for Image Captioning [4.955697042432618]
  本稿では,MoCollと呼ばれる新しいエージェント強化モデルコラボレーションフレームワークを提案する。 MoCollは複雑なイメージキャプションタスクを一連の相互接続された質問応答サブタスクに分解する。 放射線学レポート生成実験の結果,提案手法の有効性が検証された。
  論文  参考訳（メタデータ） (2025-01-03T14:38:01Z)
• Towards Human-Level Understanding of Complex Process Engineering Schematics: A Pedagogical, Introspective Multi-Agent Framework for Open-Domain Question Answering [0.0]
  化学・プロセス産業では、プロセス・フロー・ダイアグラム(PFD)とパイプ・アンド・インスツルメンテーション・ダイアグラム(P&ID)が設計、建設、保守に不可欠である。 生成型AIの最近の進歩は、ビジュアル質問回答(VQA)のプロセス図の理解と解釈の約束を示している。 本稿では,階層的かつマルチエージェントなRetrieval Augmented Generation(RAG)フレームワークを用いた,セキュアでオンプレミスなエンタープライズソリューションを提案する。
  論文  参考訳（メタデータ） (2024-08-24T19:34:04Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。